GPT-6 Luna legge Slack a 0,007 $ per thread: cosa nasconde quel numero

Sette decimi di centesimo. È quanto il Benchmark Agent Initiative di Deepnote Research ha registrato come costo medio di GPT-6 Luna per gestire una situazione lavorativa all’interno di un’azienda simulata: leggere i messaggi, decidere se qualcuno dovesse essere informato di qualcosa e rispondere nel canale giusto. Claude Fable 5.1, sulle stesse cinquanta situazioni, con gli stessi strumenti e lo stesso budget di risposta di 180 secondi, ha avuto una media di $3,02 per un punteggio superiore di 1,1 punti: 6,38 su 10 contro 7,50. Il resoconto dello stesso benchmark definisce i due modelli «distanti 430x nel prezzo», e l’aritmetica torna: $3,02 diviso $0,0070 fa 431.

GPT-6 Luna è disponibile in generale dal 22 settembre 2026, e il confronto ha fatto il giro della timeline il 13 novembre come storia di un modello economico che raggiunge uno costoso. È una storia più interessante di così, e leggermente meno lusinghiera per il titolo. La riga di Luna in quella tabella contiene nove run con punteggio 10 su 10 e nove a zero, e il motivo per cui un agente proattivo è difficile da comprare non è la media: sono gli zeri.

Cosa ha effettivamente eseguito il benchmark

Agent Initiative non è l'ennesimo set statico di domande. Deepnote ha creato una finta azienda di software chiamata PageMantle - 71 dipendenti, 100 clienti enterprise, sei anni di dati collegati, circa 10 GB distribuiti su undici servizi tra cui Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery e Snowflake - e poi vi ha inserito dodici modelli all'avanguardia come osservatori silenziosi. Ogni modello ha ricevuto le stesse istruzioni, lo stesso accesso agli strumenti, la stessa istantanea dell'azienda e lo stesso budget di tempo. Il compito era leggere i nuovi messaggi Slack e decidere se indagare, dove rispondere e se rispondere o meno.

Il pannello è piccolo e volutamente scomodo:

• Cinquanta situazioni distribuite tra otto tipi di attività: Analizzare (8), Verificare (7), Coordinare, Spiegare, Diagnosticare, Decidere e Sorvegliare (6 ciascuno) e Trovare (5).

• Quaranta dei cinquanta richiedevano un messaggio; dieci erano trappole in cui la mossa giusta era il silenzio.

• Due giudici LLM, ignari di quale modello abbia prodotto l'esecuzione, che valutano da 0 a 10 intervento, prove, tono e posizionamento del pubblico.

• Ogni modello con sforzo di ragionamento elevato, con il tempo di esecuzione degli strumenti escluso dal limite di 180 secondi.

• Dodici modelli da sei laboratori, 600 esecuzioni totali, con intervalli al 95% ottenuti tramite ricampionamento bootstrap per attività.

Quella scelta progettuale – quaranta casi di aiuto contro dieci casi di silenzio – è il motivo per cui la tabella separa i modelli in un modo che un benchmark di chat non fa mai. La maggior parte di ciò che fa tutto il giorno un agente sempre attivo è decidere di non parlare, e quasi nessuna valutazione pubblica lo misura.

La riga di Luna, per intero

GPT-6 Luna si è classificato settimo su dodici con 6,38. Ha inviato un messaggio in 38 delle 40 situazioni che ne richiedevano uno, un tasso di successo migliore del 37 di Claude Sonnet 5.5, e lo ha fatto in 50 secondi usando 13,7 chiamate agli strumenti. Il suo costo per attività, $0,0070, è il più basso del settore, inferiore di quasi quattro volte rispetto a $0,026 di DeepSeek V4.1 Flash e di sessanta volte rispetto a $0,42 di Claude Sonnet 5.5.

La colonna che conta è quella che Deepnote etichetta "Tens / zeros". GPT-6 Astra, il miglior punteggio con 8,97, ha registrato 26 esecuzioni perfette e due zeri. Claude Opus 5.5 ne ha registrate 14 e due. Luna ne ha registrate nove e nove. In un benchmark in cui uno zero significa che l'agente non ha mai parlato quando avrebbe dovuto oppure ha parlato in una situazione che aveva frainteso, un'esecuzione su cinque per Luna è stata da scartare, contro una su venticinque per i due modelli sopra di essa. Facendo la media su cinquanta compiti, un agente che è eccellente metà delle volte e assente nell'altra metà sembra un B-minus. Distribuito nello Slack di un team reale, sembra un collega che è o brillante o silenzioso, e nessuno può prevedere quale dei due.

Il titolo 430x, con il calcolo mostrato

Il numero è reale ed è anche la presentazione più favorevole disponibile, per due motivi che vale la pena enunciare chiaramente.

Innanzitutto, Claude Fable 5.1 non è l'attuale modello di Anthropic. Lo è Claude Fable 5.2, che ha ottenuto 8,17 sullo stesso benchmark a 1,87 $ per attività. Rispetto al successore, GPT-6 Luna costa 267 volte meno ed è indietro di 1,79 punti. È una frase meno citabile e più rilevante per le decisioni, perché nessuno che scelga un modello questa settimana sceglie Fable 5.1 se non ha un motivo.

In secondo luogo, il divario di 1,1 punti è una stima puntuale su cinquanta attività. Deepnote dichiara esplicitamente che diversi modelli al centro della sua tabella rientrano in intervalli sovrapposti — nomina Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 e Claude Haiku 5.5 come un gruppo entro 0,6 punti l'uno dall'altro — e prevede un insieme di attività più ampio in una versione futura. La lettura onesta della coppia Luna-versus-Fable 5.1 è che il divario di prezzo è misurato a tre cifre significative e il divario di qualità è misurato a circa una. Chiunque citi "solo 1,1 punti dietro" come se il decimale fosse significativo sta citando l'intervallo, non il punteggio.

Il numero che nessuno cita: quattro su dieci

Quando la risposta corretta era il silenzio, il modello mediano del settore si è trattenuto sei volte su dieci. GPT-6 Luna si è trattenuto quattro volte. È intervenuto in sei delle dieci situazioni in cui i registri mostravano già che la questione era stata gestita e, come sottolinea Deepnote, quegli interventi non erano frasi senza senso. Erano accurati, ben collocati e superflui. Un controllo di qualità che legge solo il messaggio non coglierà mai questo errore. Nemmeno un sondaggio sulla soddisfazione degli utenti lo farà, perché nessuno si lamenta di sentirsi dire qualcosa di vero.

Il benchmark, comunque, gli attribuisce un prezzo. Su tutto il panel, intervenire a sproposito è costato circa 1,8 volte tanto quanto restare in silenzio quando serviva un messaggio. Per un agente Slack la cui premessa fondamentale è che legge ogni thread, la modalità di errore non è una risposta sbagliata che viene corretta. È la lenta erosione del canale: una volta che un team scopre che un terzo dei messaggi del bot è rumore, smette di leggerne qualsiasi, e il valore di quelli corretti scende a zero insieme a loro.

C'è un secondo fallimento, più silenzioso, nel resoconto. In un compito di accesso ai dati, Luna ha trovato il record che confermava che un amministratore degli accessi aveva passato le consegne a un successore, e poi ha comunque indirizzato il dipendente al precedente amministratore. Leggere la prova giusta e trarre la conclusione sbagliata è un difetto diverso dalla mancanza di prove, ed è quello che sopravvive a un intervento sulla qualità del recupero.

Perché sette decimi di centesimo cambiano il design, non solo il conto

Il costo per token è l'unità sbagliata per questa decisione, perché il costo di un agente proattivo scala con il numero di thread che tocca, non con il numero di domande che gli vengono poste. Il grafico di Deepnote rende concreto il punto: 7 $ per 1.000 attività per GPT-6 Luna contro 3.020 $ per 1.000 per Claude Fable 5.1. A 2.500 thread al mese, lo stesso valore che il benchmark usa per Sol e Fable 5.2, la bolletta di Luna è di circa 17,50 $.

Quel numero è abbastanza basso da cambiare ciò che costruisci. A 3 dollari per lettura, un agente proattivo deve essere selettivo prima di iniziare: qualcuno deve decidere quali canali vale la pena monitorare, ed è esattamente il giudizio che il modello avrebbe dovuto esprimere. A meno di un centesimo per lettura, puoi monitorare tutto e lasciare che sia il modello a fare il triage, che è l'unica versione del prodotto che corrisponde alla proposta.

Questo consente anche un secondo passaggio. Esegui GPT-6 Luna su tutti i 2.500 thread per circa $17,50, fagli segnalare i cinquanta che sembrano ambigui e invia quelli a Claude Sonnet 5.5 a $0,42 ciascuno: altri $21, per un totale vicino a $39 al mese. La versione con solo Fable 5.1 della stessa copertura costa $7.550. Non è stato testato se questo ibrido batta effettivamente la sola Luna: il benchmark ha eseguito modelli, non harness, e Deepnote lo dice nelle sue limitazioni; ma è l’aritmetica che rende l’esperimento abbastanza economico da poter essere eseguito.

Il materiale idraulico è arrivato con tre settimane di anticipo.

La lettura economica per chiamata è solo metà di ciò che serve a un agente sempre attivo; l'altra metà è un modo economico per porre una domanda specifica. Il 22 ottobre 2026, O​penAI ha reso disponibile fuori dalla beta la sua Decisions API, e GPT-6 Luna è l'unico modello supportato. L'endpoint restituisce risposte tipizzate anziché prosa: una probabilità che una condizione sia vera, una scelta da un elenco fisso o un punteggio rispetto a livelli ordinati; inoltre O​penAI sostiene che sia circa dieci volte più veloce rispetto a porre la stessa domanda allo stesso modello tramite la Responses API.

Per chi monitora Slack, questa è la forma giusta. "Questo thread contraddice la data di rilascio nel messaggio fissato?" è un predicato, non un paragrafo. La release di disponibilità generale ha innalzato il tetto a 400 domande per richiesta, aggiunto il caching dei prompt per il contesto condiviso, consentito immagini all'interno delle istruzioni delle singole domande e accettato dati strutturati direttamente tramite un input_json come parte di contenuto. Una singola chiamata può ora valutare un'intera giornata di attività del canale rispetto a un insieme fisso di prove invece di un messaggio alla volta.

Da sapere prima di progettare su questa base: la nuova memorizzazione in cache si applica alle prove condivise che invii, non al listino prezzi di Luna, e restano validi i limiti del modello stesso: una finestra di contesto di 1.050.000 token, un massimo di 922.000 token di input, 128.000 di output e una data limite delle conoscenze del 18 maggio 2026. La chiamata di funzioni su Chat Completions funziona solo con reasoning effort impostato su none; qualsiasi cosa con strumenti integrati deve passare tramite Responses API.

Dove le prove

Il benchmark è insolitamente franco sui propri limiti, e questi sono importanti per chiunque stia per mettere un modello davanti a un team reale.

• Cinquanta compiti, con alcune categorie che ne contengono solo da cinque a otto, quindi le classifiche per categoria sono tendenze anziché ordinamenti.

• Un'istantanea aziendale fissa i cui membri del team non rispondono mai, che misura un singolo contributo anziché un mese di contesto che si accumula.

• Un solo livello di sforzo. Ogni modello è stato eseguito con livello alto; le impostazioni più basse e più alte non sono state testate, e il valore predefinito di Luna è medio, non alto.

• Solo Slack. La posta elettronica, i documenti e qualsiasi azione al di là dell'invio di un messaggio sono fuori ambito.

• Costi storici, non quotazioni in tempo reale. Le cifre per singola attività sono osservazioni ricavate dall'esecuzione, quindi una variazione di prezzo del fornitore le fa cambiare.

• Nessun router è stato testato. Deepnote specifica esplicitamente che la sua raccomandazione di routing è una raccomandazione di progettazione estrapolata dai risultati del modello.

C'è anche una tensione tra quella tabella e le misurazioni indipendenti della velocità. Deepnote ha cronometrato Luna a 50 secondi per situazione con sforzo elevato. Artificial Analysis, eseguendolo al massimo sforzo, ha misurato un tempo al primo token di risposta di 79,33 secondi, un ordine di grandezza peggiore della mediana per la sua fascia di prezzo. Entrambi i numeri possono essere veri, poiché misurano cose diverse a impostazioni diverse, ma la coppia è un avvertimento: la latenza percepita di un agente sempre attivo è determinata dalla manopola dello sforzo, e alzarla per inseguire gli zeri costa secondi prima che costi dollari.

Distribuire un lettore a questo prezzo

La versione pratica di questo benchmark è una pipeline a due livelli, ed è il motivo per cui il divario di prezzo conta più del divario di punteggio. GPT-6 Luna a effort basso o medio si occupa della lettura: ogni thread, ogni canale, decisioni inserite tramite Decisions API. Una soglia su tali decisioni escala i casi ambigui a un modello più forte. Il modello costoso gestisce quindi decine di thread al mese invece di migliaia, e il suo costo smette di essere una voce di budget.

Quella pipeline è più facile da gestire quando entrambi i livelli stanno dietro un'unica chiave. OrcaRouter espone GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 e oltre 200 altri modelli tramite un unico endpoint compatibile con OpenAI, con ricarico dello 0% - prezzo di listino del fornitore passato così com'è, così un taglio di prezzo del fornitore arriva dalla nostra parte lo stesso giorno invece di aspettare che un rivenditore aggiorni il prezzo. Il DSL di routing combina i livelli in un'unica chiamata (primo passaggio economico, escalation al verificarsi di una condizione), il failover automatico mantiene attivo il watcher se un fornitore peggiora, e la fusione di modelli consente a un panel di rispondere insieme quando una singola classificazione è troppo importante per affidarla a un solo modello. Niente di tutto ciò cambia i numeri sopra; elimina solo il lavoro di integrazione tra di essi.

Cosa farebbe cambiare questo numero

Due cose renderebbero obsoleto questo articolo: un successore GPT-6 Luna, oppure una seconda esecuzione indipendente dello stesso benchmark con un set di attività più ampio. La prima è una questione di calendario di OpenAI. La seconda è già promessa: Deepnote afferma che un panel di 50 attività sarà sostituito da un campione più ampio nella prossima versione, e i suoi autori precisano che la tabella attuale va letta come una prima misurazione, non come una classifica.

Fino a quel momento, la conclusione difendibile è più circoscritta della versione con la timeline e più utile. GPT-6 Luna è il primo modello abbastanza economico da permettere a un agente proattivo di sbagliarsi sul se guardare, e questa è una soglia reale: la differenza tra un prodotto che campiona la propria azienda e uno che la legge. Non è ancora abbastanza affidabile da sbagliarsi sul se parlare. Il punteggio di silenzio di quattro su dieci è la parte della tabella attorno a cui progettare: mantieni economica la lettura, mantieni controllata la scrittura e colloca il modello costoso dove si prende effettivamente la decisione di interrompere.